Australien entwickelt Tool zur Entlarvung gefälschter Deepfake-Stimmen.

Die RAIS-Technologie hilft dabei, gefälschte Audiodateien mit hoher Genauigkeit zu erkennen, selbst wenn sich die Formen von Deepfake-Angriffen ständig weiterentwickeln.

Australien entwickelt KI-Technologie zur nahezu absoluten Erkennung von Deepfake-Audio – Illustrationsfoto: REUTERS

Wissenschaftler der Commonwealth Scientific and Industrial Research Organisation (CSIRO), der Federation University Australia und der RMIT University haben erfolgreich eine Methode zur Erkennung von Audio-Deepfakes mit herausragender Genauigkeit und Anpassungsfähigkeit entwickelt.

Die neue Technik mit dem Namen Rehearsal with Auxiliary-Informed Sampling (RAIS) wurde speziell für die Erkennung von Deepfake-Audio entwickelt, einer wachsenden Bedrohung im Bereich der Cyberkriminalität, deren Risiken unter anderem das Umgehen von Systemen zur biometrischen Stimmauthentifizierung, Identitätsdiebstahl und die Verbreitung von Fehlinformationen umfassen, so CSIRO.

RAIS-Verfahren dienen nicht nur der Feststellung der Authentizität einer Audiospur, sondern gewährleisten auch die Aufrechterhaltung einer hohen Leistungsfähigkeit, selbst wenn sich Spoofing-Angriffe ständig weiterentwickeln und verändern.

Dr. Kristen Moore, Mitautorin der Studie bei Data61 – der Daten- und Digitaleinheit der CSIRO –, teilte mit, dass das Ziel des Teams darin bestehe, ein Erkennungssystem zu entwickeln, das neue Deepfake-Beispiele aktualisieren kann, ohne das Modell von Grund auf neu trainieren zu müssen, um das Phänomen zu vermeiden, dass das Modell beim Feinabstimmen alte Daten vergisst.

RAIS löst dieses Problem, indem es automatisch eine kleine, vielfältige Menge früherer Deepfakes auswählt und speichert, einschließlich versteckter Audiofunktionen, um der KI zu helfen, neue Deepfake-Typen zu erlernen und gleichzeitig das Wissen über alte zu bewahren, erklärte Moore.

RAIS basiert auf einem intelligenten Auswahlprozess, der für jede Audioprobe „Zusatzkennzeichnungen“ generiert. Die Kombination dieser Zusatzkennzeichnungen, anstatt sie lediglich als „echt“ oder „gefälscht“ zu kennzeichnen, gewährleistet einen umfangreichen und vielfältigen Trainingsdatensatz. Dieser Mechanismus verbessert die Fähigkeit des Systems, sich Informationen zu merken und sich im Laufe der Zeit anzupassen, erheblich.

Laut CSIRO übertraf RAIS in Tests andere Methoden mit einer durchschnittlichen Fehlerrate von 1,95 % über fünf aufeinanderfolgende Tests. Der Quellcode für dieses Verfahren ist auf GitHub verfügbar – einer Plattform, die sich auf die Online-Speicherung von Quellcode auf Basis von Git spezialisiert hat.

Zurück zum Thema

VNA

Quelle: https://tuoitre.vn/uc-phat-trien-cong-cu-vach-tran-giong-noi-gia-bang-deepfake-20251112092232468.htm