uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

·Väärennösten tunnistusteknologian kehittäminen edellyttää tieteidenvälistä yhteistyötä Nykyinen väärennösten tunnistustekniikka perustuu pääosin ohjelmistoalgoritmeihin, ja tulevaisuudessa se siirtyy ohjelmistojen ja laitteistojen integrointiin.

Suurten mallien nousu on luonut pohjan syvälle väärennökselle, ja ala on vaatinut monialaisia ​​yhteisiä ponnisteluja väärennösteknologian torjumiseksi.

Suurten mallien aikakaudella rajat tekoälyllä syntetisoidun puheen ja todellisen puheen välillä hämärtyvät, ja vastaavuuden tunnistustekniikkaa on parannettava kiireellisesti. 23. heinäkuuta Shanghaissa pidettiin 9. Xinye Technology Cupin maailmanlaajuisen tekoälyalgoritmikilpailun finaali, jonka teemana oli syvän puheen väärennösten tunnistaminen. Osallistujia kannustettiin käyttämään syväoppimista ja tekoälyn vastatoimia algoritmien kehittämiseen, jotka pystyvät tunnistamaan tarkasti. vääriä ääniä.

Deepfake on menetelmä, joka käyttää syväoppimista ja tekoälyteknologiaa erittäin realistisen väärennetyn sisällön luomiseen. Suurten mallien nousu on tuonut pohjaa syvälle väärennökselle. Syötä vain nopea sana, ja tekoälyjärjestelmä lähettää kuvia, videoita ja ääniä, mikä tekee tosi ja väärän erottamisen vaikeaksi.

Kun otetaan esimerkiksi vääriä ääniä, suuret mallit voivat tuottaa erilaisia ​​vääriä ääniä. Nämä väärät äänet ovat realistisempia, antropomorfisempia ja niiden keskustelut ovat sujuvat, mikä tuo suurempia haasteita väärän äänentunnistukseen. "Joissakin arvokkaissa skenaarioissa esiintyy usein tekoälyn tuottamaa äänipetosta. Puheentunnistusteknologian nykyinen kehitys on kuitenkin jäljessä puhesynteesitekniikasta, sanoi Chen Lei, Xinye Technologyn varapresidentti ja big datan ja tekoälyn johtaja."

Finaalissa kilpailijat käyttivät erilaisia ​​​​algoritmimalleja ja koulutusideoita väärän puheen tunnistamiseen, mukaan lukien laaja mallipohjainen tunnistustekniikka ja perinteinen päästä päähän -tunnistustekniikka. Päästä päähän -tunnistusteknologialla on pienempi määrä parametreja ja se keskittyy enemmän vertikaalisiin ongelmiin, suurella mallilla on suurempi määrä parametreja, ja sillä on vahva yleistyskyky iso malli on parantunut huomattavasti.

Xinye Technologyn algoritmitutkijan Lu Qiangin mukaan alustavan kilpailun puhedata koostuu pääasiassa perinteisen päästä-päähän TTS:n (text-to-speech) tuottamasta valepuheesta, jota on helpompi tunnistaa Ensimmäistä kertaa semifinaalin tietojoukko lisää uusimman suuren mallin perusteella luotuja vääriä puheita, litteroi vääriä ääniä ja näytteitä, jotka on yhdistetty oikeista ja valekielistä, kattaen yli viisi kieltä, kuten englantia, ranskaa, ja espanjaksi, ja kilpailun vaikeus kasvaa. "Isojen mallien tuottamien valeäänien lisääminen semifinaaliin on vaikeuttanut kilpailua, mikä myös osoittaa, että uusimpien suurten mallien kyky "naamioida väärennökset todellisiksi" on vahvistunut, mikä vaatii vastaavaa syväväärennösten tunnistustekniikkaa. pysyä perässä."

"Lisäsimme kilpailuun tietoisesti uusia kohtaustietoja, kuten väärennettyjen äänien kopiointia, joka on luotu useiden oikeiden äänien tallennusten jälkeen. Lu Qiang sanoi, että tässä skenaariossa kilpailussa käytetään oikeita ääniä." valepuheen leikkaaminen ja sekoittaminen kilpailevan datan muodostamiseksi, jotta vältetään puheen keinotekoinen kuuntelu ja etiketöinti kilpailun häiritsemiseksi "Niin kauan kuin yksi osa on valepuhetta, koko osio on valepuhetta. Tämä on lähempänä todellista kohtausta, mutta. Tunnistus Haaste on valtava, jos kopiointiongelma ja aitouden ja valheen vastakkainasettelu voidaan ratkaista, sillä on akateemista arvoa "Lv Qiang sanoi myös, että multimodaalinen tieto, kuten teksti ja video, auttavat puheväärennösten havaitsemisessa , ja suuret mallit ja multimodaalisuus ovat avain puheväärennösten havaitsemiseen.

Väärentäminen teknologian ja väärennösten tunnistusteknologian "rotu", ja kehitystä kaksi on kierre. Chen Lei sanoi, että suurten puhemallien tutkimuksen tulisi abstraktoida ja jalostaa sovellusongelmia akateemisten ongelmien ratkaisemisen jälkeen. Väärennösten vastaisen teknologian kehittäminen edellyttää tieteidenvälistä yhteistyötä. Nykyinen väärennöstentorjuntateknologia perustuu ohjelmistoalgoritmeihin ääniriskit laitteistotasolta.

"Väärennösten havaitsemiselle ei ole päätepistettä. Niin kauan kuin luova tie ei ole päättynyt, väärennösten havaitseminen jatkuu alaspäin, Chen Lei sanoi, että pelin jälkeen Xinye Technology avaa lähdekoodin dataa ja käyttää sitä." laajempaa akateemista tutkimusta kilpailijoiden materiaalien herkkyyden vähentämiseksi. Samalla se imee huippuluokan malliideoita liiketoimintaskenaarioissa ja rakentaa AIGC-väärennösalustan. Hän uskoo, että generatiivisen tekoälyn on noudatettava hallintosääntöjä. Tekoälyn hallinta edellyttää huipputason suunnittelua sen standardoimiseksi ja ohjaamiseksi.