Deepfake Audio Detektorok generalizálási képességének vizsgálata

Félév: 2025-2026 tavasz

Kategória: Szoftver

Téma leírása

A generatív mesterséges intelligencia rohamos fejlődése lehetővé tette a megtévesztően valósághű szintetikus beszéd (deepfake audio) előállítását, amely komoly biztonsági és hitelesítési kockázatokat hordoz. Bár számos detektáló algoritmus létezik, ezek teljesítménye gyakran drasztikusan csökken, amikor a tanítóhalmaztól eltérő, ismeretlen támadási módszerekkel vagy új nyelvi környezetben generált hanganyagokkal találkoznak. A szakdolgozat célja a korszerű deepfake audio detektorok (pl. RawNet2, AASIST) generalizálási képességének átfogó vizsgálata és összehasonlító elemzése különböző forgatókönyvek esetén. A hallgató feladata, hogy több nyilvános adathalmaz (pl. ASVspoof, In-the-Wild) segítségével mérje a modellek robusztusságát új generálási technikák, tömörítési eljárások és eltérő akusztikai körülmények mellett. Az eredmények rávilágítanak a jelenlegi védelmi mechanizmusok "vakfoltjaira", és potenciális irányokat jelölnek ki a modellek univerzális alkalmazhatóságának javítására.

Maximális létszám: 1 fő