Audio-Deepfake-Erkennung

KI-gestützte Spektral- und Prosodie-Analyse kombiniert mit Muttersprachler-Review durch Crowd-Mitglieder zur Erkennung synthetischer oder manipulierter Audioinhalte.

Die Pipeline zur Audio-Deepfake-Erkennung kombiniert KI-basierte Signalanalyse auf niedriger Ebene mit menschlichem Muttersprachler-Review, um synthetische Sprache, Voice-Cloning und Audio-Splicing zu identifizieren. KI-Modelle sind zwar wirkungsvoll beim Erkennen technischer Fingerabdrücke, die von gängigen Sprachsynthese- und Stimmkonvertierungssystemen hinterlassen werden, haben jedoch bekannte Schwachstellen bei der prosodischen Natürlichkeit, der regionalen Akzentkonsistenz und der Kohärenz des emotionalen Registers. Muttersprachler aus der Crowd schließen genau diese Lücke: Ein fließend Sprechender kann die subtile Flachheit einer geklonten Stimme oder ein falsches Intonationsmuster für einen behaupteten Sprecher wahrnehmen, das die Spektralanalyse nicht zuverlässig erfassen kann. Diese Pipeline eignet sich besonders für Faktenchecker, die angefochtene Audioaufnahmen bewerten, für Rechtsteams, die Stimmbeweise prüfen, und für Redaktionen, die entscheiden müssen, ob sie über audiobasierte Berichterstattung veröffentlichen.

Pipeline-Details

Eigenschaft	Wert
Pipeline-ID	`verify-audio-deepfake`
Stufe	2
Geschätzte Dauer	~60 Min.
Kosten	2.900 Credits pro Run
Crowd-Stufen	Ja
Erforderliche Dateien	Ja — angereicherte Audiodatei

Erforderliche Eingaben

Dateien

Reichen Sie eine angereicherte Audiodatei ein. Die Anreicherung muss abgeschlossen sein, bevor diese Pipeline gestartet werden kann. Unterstützte Formate: MP3, WAV, FLAC, AAC, OGG, M4A.

Kontext-Schlüssel

Schlüssel	Erforderlich	Beschreibung
`claimed_speaker`	Optional	Identität der Person, die angeblich spricht (z. B. `"Bundeskanzler Schmidt"`)
`claimed_language`	Optional	BCP-47-Sprach-Tag für die gesprochene Sprache der Audiodatei (z. B. `"de"`, `"en-US"`, `"fr"`); wird verwendet, um die Aufgabe an geeignet sprachkundige Mitarbeiter weiterzuleiten
`claimed_date`	Optional	Datum, an dem die Aufnahme angeblich erstellt wurde, im ISO-8601-Format
`claimed_event`	Optional	Veranstaltung oder Kontext der Audioaufnahme (z. B. `"Pressekonferenz 2024-11-20"`)

Es wird dringend empfohlen, claimed_language zu setzen. Dadurch kann die Plattform die Crowd-Stufe an Mitarbeiter weiterleiten, die die gesprochene Sprache fließend beherrschen — was für eine aussagekräftige Prosodie- und Akzentbewertung unerlässlich ist. Ohne diese Angabe wird standardmäßig an englischkundige Mitarbeiter weitergeleitet.

Stufen

Technische Forensik (KI)

Die Pipeline beginnt mit einer forensischen Analyse der technischen Eigenschaften der Audiodatei. Die KI untersucht Spektralmerkmale über Frequenzbänder hinweg, die Komprimierungshistorie (doppelt kodierte Segmente, Requantisierungsartefakte), die Konsistenz der Kodierungsparameter sowie DC-Offset-Unregelmäßigkeiten. Segmente, deren statistische Profile nicht mit natürlichen Aufnahmebedingungen übereinstimmen, werden mit Zeitstempeln und Konfidenzwerten markiert. Diese Befunde bilden die technische Grundlage für die nachfolgenden Stufen.

Deepfake-Indikatoren (KI)

Die KI wendet synthesespezifische Erkennungsmodelle auf die gesamte Audiodatei an. Diese Stufe bewertet Vocoder-Fingerabdrücke gängiger Text-to-Speech- und Stimmkonvertierungssysteme, prosodische Unnatürlichkeit (Regelmäßigkeit des Tonhöhenverlaufs, abnorme Pausenverteilung, fehlende Koartikulation) sowie akustische Inkonsistenzen zwischen Segmenten, die auf Splicing hinweisen könnten. Die Ausgabe umfasst eine segmentweise Anomalie-Zeitachse und einen aggregierten Synthesewahrscheinlichkeits-Score für die gesamte Aufnahme.

Muttersprachler-Review (Crowd)

Drei Crowd-Mitarbeiter mit dem Skill-Tag native_speaker — abgestimmt auf die beanspruchte oder erkannte Sprache der Audiodatei — hören sich die gesamte Aufnahme an und füllen einen strukturierten Bewertungsfragebogen aus. Die Mitarbeiter bewerten die allgemeine Natürlichkeit, die Sprecherkonsistenz über Segmente hinweg, die Plausibilität des Akzents im Verhältnis zur behaupteten Identität, die Kohärenz des emotionalen Registers sowie ob Segmente computererzeugt oder bearbeitet klingen. Die Stufe erfordert einen Konsens von 70 % (mindestens zwei von drei Mitarbeitern sind einer Meinung), bevor sie fortfährt. Den Mitarbeitern werden die technischen KI-Befunde als Kontext angezeigt, sie werden jedoch gebeten, ihr perzeptives Urteil unabhängig zu bilden, bevor sie diese einsehen.

Urteilssynthese (KI)

Die KI integriert die technisch-forensischen Befunde, die Deepfake-Indikatorwerte und die strukturierten Crowd-Mitarbeiter-Bewertungen zu einem finalen gewichteten Urteil. Abweichende Antworten von Mitarbeitern werden in der Syntheseausgabe ausdrücklich vermerkt. Das Ergebnis umfasst ein konfidenzgewichtetes Urteil (authentic, manipulated oder inconclusive), eine Anomaliezusammenfassung mit Zeitstempelreferenzen zu markierten Segmenten sowie ein vollständiges stufenweises Beweisprotokoll.

Einen Lauf starten

curl -X POST "https://api.crowdee.ai/v2/projects/{projectId}/verification-runs" \
  -H "X-API-Key: crw_YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "pipeline_id": "verify-audio-deepfake",
    "file_ids": ["file_01j9x..."],
    "context": {
      "claimed_speaker": "Chancellor Schmidt",
      "claimed_language": "de",
      "claimed_event": "Press conference 2024-11-20"
    }
  }'

Beispielantwort

{
  "id": "run_01j9x...",
  "status": "completed",
  "verdict": "authentic",
  "confidence": 81,
  "pipeline_id": "verify-audio-deepfake"
}

Für eine schnellere, rein KI-basierte Audioanalyse siehe verify-audio-technical. Das Setzen von claimed_language hilft dabei, die Crowd-Stufe an Mitarbeiter weiterzuleiten, die die Sprache der Aufnahme fließend beherrschen — dies verbessert die Qualität des Muttersprachler-Reviews erheblich.