Egy kutatás szerint az emberek csak az esetek háromnegyedében ismerik fel, hogy mesterséges intelligencia által generált beszédet hallanak éppen

Az emberek az esetek 73 százalékában képesek felismerni, hogy mesterségesen generált beszédet hallanak éppen, vagy pedig egy létező ember hangját, állapította meg a University College London kutatása. A vizsgálatot angol és mandarin anyanyelvű embereken végezték el, és mindkét csoport azonos pontossággal tudta megállapítani, hogy valós vagy generált hangot hallanak.

A kutatók egy olyan szövegfelolvasó - text-to-speech - algoritmust használtak a kísérlethez, amit először egy angol és egy mandarin nyelvű adatbázison képeztek ki, majd 50-50 deepfake hangmintát hozattak létre vele a két nyelven. Ezeket lejátszották 529 alanynak, akiknek azt kellett felismerniük, hogy valódi mintát hallanak, vagy algoritmus által létrehozott hangot: a résztvevők az esetek 73 százalékában tudták azonosítani az AI által generáltat. Ez az eredmény csak némileg javult, miután az alanyokat kiképezték arra, milyen jelek alapján ismerjék fel a deepfake beszédet.

A deepfake a generatív mesterséges intelligencia egy fajtája, olyan mesterséges kép- vagy hanganyag, esetleg más típusú tartalom, amelyet úgy hoznak létre, hogy hasonlítson egy valódi személy hangjára vagy megjelenésére. Például az alábbi videón Orbán Viktor jelenlegi, és Gyurcsány Ferenc korábbi miniszterelnök - ugyan nem tökéletes - deepfake hangja beszélgetnek úgy, mintha közösen Minecraftoznának.

Ez az első olyan kutatás, amely az angolon kívül más nyelv esetében is vizsgálta a mesterségesen generált beszéd észlelésének képességét. A tanulmány rámutat arra a széles körben osztott aggodalomra, miszerint az emberek nem képesek következetesen felismerni azt, ha egy hangfelvétel nem valódi, még akkor sem, ha erre kiképezték őket, írja a Guardian.